AndrewYNg分析编程智能体对不同软件工作的加速程度

编码智能体正在不同程度地加速不同类型的软件工作。当我们组织团队时，理解这些差异有助于我们设定合理的期望。按加速程度从高到低排列，我的排序是：前端开发、后端、基础设施和研究。

前端开发——例如，为电商网站构建展示产品描述的网页——速度大大提升，因为编码智能体精通流行的前端语言如TypeScript和JavaScript以及框架如React和Angular。此外，通过操作浏览器检查构建结果，编码智能体现在非常擅长闭环并迭代自己的实现。当然，LLM在视觉设计方面仍然较弱，但给定设计（或者如果精细设计不重要），实现速度很快！

后端开发——例如，构建API来响应请求产品数据的查询——更难。人类开发者需要付出更多努力来引导现代模型思考可能导致细微错误或安全漏洞的边缘情况。此外，后端错误可能导致非直观的下游影响，例如偶尔返回错误结果的损坏数据库，这比典型的前端错误更难调试。最后，虽然使用编码智能体进行数据库迁移更容易，但仍然困难，需要谨慎处理以防止数据丢失。虽然使用编码智能体后端开发更快，但加速程度较小，熟练的开发者使用编码智能体设计的后端仍远优于没有经验的开发者。

基础设施。智能体在诸如将电商网站扩展到1万活跃用户同时保持99.99%可靠性等任务中效率更低。LLM在基础设施方面以及优秀工程师必须做出的复杂权衡方面的知识仍然相对有限，因此我很少信任它们的关键基础设施决策。构建良好的基础设施通常需要一段测试和实验期，编码智能体可以在这方面提供帮助，但最终这是一个重要的瓶颈，快速AI编码帮助不大。最后，查找基础设施错误——例如，微妙的网络配置错误——可能极其困难，需要深厚的工程专业知识。因此，我发现编码智能体对关键基础设施的加速甚至比后端开发还少。

研究。编码智能体对研究工作的加速更少。研究涉及思考新想法、提出假设、运行实验、解释实验以可能修改假设，并迭代直到得出结论。编码智能体可以加快我们编写研究代码的速度。（我也使用编码智能体来帮助我组织和跟踪实验，这使得单个研究人员更容易管理更多实验。）但研究中有很多工作不仅仅是编码，今天的智能体只能边际性地帮助研究。

将软件工作分类为前端、后端、基础设施和研究是一种极端的简化，但有一个简单的心理模型来了解不同任务加速了多少，对如何组织软件团队很有用。例如，我现在要求前端团队以比一年前快得多的速度实现产品，但对研究团队的期望并没有太大变化。

我对如何组织软件团队使用编码智能体来实现速度非常感兴趣，并将在未来的帖子中继续分享我的发现。

[原文：
https://
deeplearning.ai/the-batch/issu
e-350/
… ]